論文の概要: COVID-19 detection using chest X-rays: is lung segmentation important for generalization?

• arxiv url: http://arxiv.org/abs/2104.06176v1
• Date: Mon, 12 Apr 2021 09:06:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-14 13:37:22.063509
• Title: COVID-19 detection using chest X-rays: is lung segmentation important for generalization?
• Title（参考訳）: 胸部X線を用いたCOVID-19検出 : 肺分画は一般化に重要であるか?
• Authors: Pedro R. A. S. Bassi, Romis Attux
• Abstract要約: 深部ニューラルネットワーク(DNN)は、比較的小さく混合されたデータセットを使用して、胸部X線をCOVID-19、正常または肺炎として分類するために訓練された。 外部データセットとLRP分析のパフォーマンスは、DNNを小さな混合データセットでトレーニングし、COVID-19を検出することを示唆している。
• 参考スコア（独自算出の注目度）: 3.198144010381572
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We evaluated the generalization capability of deep neural networks (DNNs), trained to classify chest X-rays as COVID-19, normal or pneumonia, using a relatively small and mixed dataset. We proposed a DNN architecture to perform lung segmentation and classification. It stacks a segmentation module (U-Net), an original intermediate module and a classification module (DenseNet201). We compared it to a DenseNet201. To evaluate generalization, we tested the DNNs with an external dataset (from distinct localities) and used Bayesian inference to estimate the probability distributions of performance metrics, like F1-Score. Our proposed DNN achieved 0.917 AUC on the external test dataset, and the DenseNet, 0.906. Bayesian inference indicated mean accuracy of 76.1% and [0.695, 0.826] 95% HDI with segmentation and, without segmentation, 71.7% and [0.646, 0.786]. We proposed a novel DNN evaluation technique, using Layer-wise Relevance Propagation (LRP) and the Brixia score. LRP heatmaps indicated that areas where radiologists found strong COVID-19 symptoms and attributed high Brixia scores are the most important for the stacked DNN classification. External validation showed smaller accuracies than internal validation, indicating dataset bias, which segmentation reduces. Performance in the external dataset and LRP analysis suggest that DNNs can be trained in small and mixed datasets and detect COVID-19.
• Abstract（参考訳）: 比較的小さく混合されたデータセットを用いて,胸部x線をcovid-19,正常,肺炎と分類するように訓練された深層ニューラルネットワーク(dnn)の一般化能を評価した。 肺の分節と分類を行うためのDNNアーキテクチャを提案する。 セグメンテーションモジュール(U-Net)、オリジナルの中間モジュール、分類モジュール(DenseNet201)をスタックする。 DenseNet201と比較しました。 一般化を評価するために,外部データセットを用いてdnnをテストし,ベイズ推論を用いてf1-scoreなどの性能指標の確率分布を推定した。 提案したDNNは外部テストデータセットで0.917 AUC, DenseNetでは0.906。 ベイズ推定では, セグメンテーションによる平均精度は76.1%, [0.695, 0.826] 95%で, セグメンテーションは71.7%, [0.646, 0.786] であった。 我々は,レイヤワイド関連伝搬(LRP)とブリキシアスコアを用いた新しいDNN評価手法を提案する。 LRPヒートマップは、放射線学者が強い新型コロナウイルスの症状と高いブリキシアスコアを報告した地域が、DNN分類において最も重要な地域であることを示唆している。 外部検証では、内部検証よりも精度が低く、データセットバイアスを示し、セグメンテーションが減少する。 外部データセットとLRP分析のパフォーマンスは、DNNを小さな混合データセットでトレーニングし、COVID-19を検出することを示唆している。

関連論文リスト

• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• Learning to diagnose common thorax diseases on chest radiographs from radiology reports in Vietnamese [0.33598755777055367]
  ベトナムの放射線学報告から情報を抽出し,胸部X線(CXR)画像の正確なラベルを提供するデータ収集・アノテーションパイプラインを提案する。 このことは、ベトナムの放射線学者や臨床医が、国によって異なる可能性のある内因性診断カテゴリと密接に一致したデータに注釈を付けることで、ベトナムの放射線技師や臨床医に利益をもたらす可能性がある。
  論文  参考訳（メタデータ） (2022-09-11T06:06:03Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• A Deep Learning Based Workflow for Detection of Lung Nodules With Chest Radiograph [0.0]
  CXRから肺領域を識別するセグメンテーションモデルを構築し,それを16個のパッチに分割した。 これらのラベル付きパッチを使用して、ディープニューラルネットワーク(DNN)モデルを微調整し、パッチをポジティブまたはネガティブに分類する。
  論文  参考訳（メタデータ） (2021-12-19T16:19:46Z)
• Deep Learning with robustness to missing data: A novel approach to the detection of COVID-19 [3.6449670408654304]
  本研究では,新型コロナウイルスの検出のための新しいディープラーニングアーキテクチャdfcnを提案する。 DFCNは入力データの欠落に対して堅牢であるように設計されている。 アブレーション研究は、DFCNアーキテクチャの性能上の利点を広く評価する。
  論文  参考訳（メタデータ） (2021-03-25T13:21:53Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• RespireNet: A Deep Neural Network for Accurately Detecting Abnormal Lung Sounds in Limited Data Setting [9.175146418979324]
  我々は,小型データセットを効率的に利用する新しい手法とともに,単純なCNNベースのモデルを提案する。 我々は4クラス分類における最先端の成績を2.2%改善した。
  論文  参考訳（メタデータ） (2020-10-31T05:53:37Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。